論文の概要: IoT Network Behavioral Fingerprint Inference with Limited Network Trace
for Cyber Investigation: A Meta Learning Approach
- arxiv url: http://arxiv.org/abs/2001.04705v2
- Date: Sat, 8 Feb 2020 02:57:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 13:27:19.465345
- Title: IoT Network Behavioral Fingerprint Inference with Limited Network Trace
for Cyber Investigation: A Meta Learning Approach
- Title(参考訳): サイバー調査のための限定ネットワークトレースを用いたIoTネットワーク行動指紋推論:メタラーニングアプローチ
- Authors: Jonathan Pan
- Abstract要約: 本研究は、特定のIoTのネットワーク行動指紋を推測する新しいモデル構造を提案する。
当社のソリューションは、IoTのネットワークトレースに制限があるという制約を克服しつつ、サイバー調査者が特定のIoTを特定できるようにするものです。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development and adoption of Internet of Things (IoT) devices will grow
significantly in the coming years to enable Industry 4.0. Many forms of IoT
devices will be developed and used across industry verticals. However, the
euphoria of this technology adoption is shadowed by the solemn presence of
cyber threats that will follow its growth trajectory. Cyber threats would
either embed their malicious code or attack vulnerabilities in IoT that could
induce significant consequences in cyber and physical realms. In order to
manage such destructive effects, incident responders and cyber investigators
require the capabilities to find these rogue IoT and contain them quickly. Such
online devices may only leave network activity traces. A collection of relevant
traces could be used to infer the IoT's network behaviorial fingerprints and in
turn could facilitate investigative find of these IoT. However, the challenge
is how to infer these fingerprints when there is limited network activity
traces. This research proposes the novel model construct that learns to infer
the network behaviorial fingerprint of specific IoT based on limited network
activity traces using a One-Card Time Series Meta-Learner called DeepNetPrint.
Our research also demonstrates the application of DeepNetPrint to identify IoT
devices that performs comparatively well against leading supervised learning
models. Our solution would enable cyber investigator to identify specific IoT
of interest while overcoming the constraints of having only limited network
traces of the IoT.
- Abstract(参考訳): IoT(Internet of Things)デバイスの開発と採用は今後数年で大幅に増加し、Industrial 4.0が実現する。
多くのIoTデバイスが、業界全体で開発され、使用される予定だ。
しかし、この技術導入の遠因は、その成長の軌跡をたどるサイバー脅威の厳密な存在に影を落としている。
サイバー脅威は、悪意のあるコードをIoTに埋め込んだり、サイバーや物理的な領域で重大な結果をもたらす可能性のある脆弱性を攻撃したりする。
このような破壊的な影響を管理するために、インシデント対応者とサイバー調査員は、これらの不正なIoTを見つけて、それらを素早く封じ込めなければならない。
このようなオンラインデバイスは、ネットワークアクティビティのトレースを残すだけである。
関連するトレースのコレクションを使用して、IoTのネットワーク行動指紋を推測することで、これらのIoTの探索的発見を促進することができる。
しかし、ネットワークのアクティビティトレースが限られている場合に、これらの指紋を推測する方法が課題である。
本研究では,DeepNetPrintと呼ばれるOne-Card Time Series Meta-Learnerを用いて,限られたネットワークアクティビティトレースに基づいて,特定のIoTのネットワーク行動指紋を推定する手法を提案する。
また,DeepNetPrintを用いて,指導型学習モデルに対して比較的良好に動作するIoTデバイスを同定する。
当社のソリューションは、IoTのネットワークトレースに制限があるという制約を克服しつつ、サイバー調査者が特定のIoTを特定できるようにするものです。
関連論文リスト
- MultiIoT: Towards Large-scale Multisensory Learning for the Internet of
Things [77.27980044639136]
IoT(Internet of Things)エコシステムは、マシンラーニングのための現実世界のモダリティの豊富なソースを提供する。
本稿では,12のモダリティと8タスクから115万以上のサンプルを対象とする,これまでで最も拡張性の高いIoTベンチマークであるMultiIoTを提案する。
論文 参考訳(メタデータ) (2023-11-10T18:13:08Z) - Causal Reasoning: Charting a Revolutionary Course for Next-Generation
AI-Native Wireless Networks [63.246437631458356]
次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。
本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。
因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
論文 参考訳(メタデータ) (2023-09-23T00:05:39Z) - Towards Artificial General Intelligence (AGI) in the Internet of Things
(IoT): Opportunities and Challenges [55.82853124625841]
人工知能(Artificial General Intelligence, AGI)は、人間の認知能力でタスクを理解し、学習し、実行することができる能力を持つ。
本研究は,モノのインターネットにおけるAGIの実現に向けた機会と課題を探究する。
AGIに注入されたIoTの応用スペクトルは広く、スマートグリッド、住宅環境、製造、輸送から環境モニタリング、農業、医療、教育まで幅広い領域をカバーしている。
論文 参考訳(メタデータ) (2023-09-14T05:43:36Z) - An Intelligent Mechanism for Monitoring and Detecting Intrusions in IoT
Devices [0.7219077740523682]
この研究は、フェデレートラーニングとマルチ層パーセプトロンニューラルネットワークを活用して、IoTデバイスに対するサイバー攻撃を高精度に検出し、データプライバシ保護を強化するホストベースの侵入検知システムを提案する。
論文 参考訳(メタデータ) (2023-06-23T11:26:00Z) - IoT Device Identification Based on Network Communication Analysis Using
Deep Learning [43.0717346071013]
組織のネットワークに対する攻撃のリスクは、セキュリティの低いIoTデバイスの使用の増加によって増大している。
この脅威に対処し、ネットワークを保護するために、組織は通常、ホワイトリストのIoTデバイスのみをネットワーク上で許可するセキュリティポリシを実装します。
本研究では、ネットワーク上で許可されたIoTデバイスの自動識別のためのネットワーク通信にディープラーニングを適用した。
論文 参考訳(メタデータ) (2023-03-02T13:44:58Z) - Unsupervised Ensemble Based Deep Learning Approach for Attack Detection
in IoT Network [0.0]
モノのインターネット(Internet of Things, IoT)は、デバイスやものをインターネット上でコントロールすることによって、生活を変えてきた。
IoTネットワークをダウンさせるために、攻撃者はこれらのデバイスを使用してさまざまなネットワーク攻撃を行うことができる。
本稿では,非ラベルデータセットからIoTネットワークにおける新たな,あるいは未知の攻撃を検出可能な,教師なしアンサンブル学習モデルを開発した。
論文 参考訳(メタデータ) (2022-07-16T11:12:32Z) - Autonomous Maintenance in IoT Networks via AoI-driven Deep Reinforcement
Learning [73.85267769520715]
IoT(Internet of Things)は、デプロイされるデバイスやアプリケーションの数の増加とともに、ネットワークのメンテナンス手順に大きな課題をもたらしている。
部分観測可能なマルコフ決定プロセスとして,IoTネットワークにおける自律的メンテナンスの問題を定式化する。
深層強化学習アルゴリズム (drl) を用いて, 保守手順が整っているか否かを判断するエージェントを訓練し, 前者の場合, 適切なメンテナンス方法が必要となる。
論文 参考訳(メタデータ) (2020-12-31T11:19:51Z) - Lightweight IoT Malware Detection Solution Using CNN Classification [2.288885651912488]
IoTデバイスのセキュリティ面は幼児の分野です。
ネットワーク上の特定のIoTノードの悪意ある振る舞いを認識するシステムを開発した。
畳み込みニューラルネットワークと監視により、ネットワーク内にインストール可能な中央ノードを使用して、IoTのマルウェア検出が可能になった。
論文 参考訳(メタデータ) (2020-10-13T10:56:33Z) - Zero-Bias Deep Learning for Accurate Identification of Internet of
Things (IoT) Devices [20.449229983283736]
物理層信号を用いたIoTデバイス識別のための拡張ディープラーニングフレームワークを提案する。
航空におけるIoTの応用であるADS-B(Automatic Dependent Surveillance-Broadcast)の実データを用いて,提案手法の有効性を評価した。
論文 参考訳(メタデータ) (2020-08-27T20:50:48Z) - IoT Device Identification Using Deep Learning [43.0717346071013]
組織におけるIoTデバイスの利用の増加は、攻撃者が利用可能な攻撃ベクトルの数を増やしている。
広く採用されている独自のデバイス(BYOD)ポリシにより、従業員が任意のIoTデバイスを職場に持ち込み、組織のネットワークにアタッチすることで、攻撃のリスクも増大する。
本研究では、ネットワークトラフィックにディープラーニングを適用し、ネットワークに接続されたIoTデバイスを自動的に識別する。
論文 参考訳(メタデータ) (2020-02-25T12:24:49Z) - IoT Behavioral Monitoring via Network Traffic Analysis [0.45687771576879593]
この論文は、IoTのネットワーク行動パターンをプロファイリングする技術を開発する上で、私たちの努力の成果である。
我々は、交通パターンの属性で訓練された、堅牢な機械学習ベースの推論エンジンを開発する。
99%以上の精度で28台のIoTデバイスのリアルタイム分類を実演する。
論文 参考訳(メタデータ) (2020-01-28T23:13:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。